随着人工智能和组合优化技术在科学研究和工业生产中的广泛应用,计算需求急剧增加,传统数字计算面临能源消耗高昂和速度瓶颈的双重挑战。数字硬件的能效极限正在逼近,其对推理任务及复杂优化问题的支持也受限于内存和数据传输带来的"冯·诺依曼瓶颈"。在这一背景下,模拟光学计算机(Analog Optical Computer,简称AOC)以巧妙融合模拟电子回路和三维光学结构的创新设计,显著提升计算效率和能耗表现,成为推动新一代高效计算平台的前沿技术。AOC综合利用光学的高速并行矩阵运算以及模拟电子的非线性处理能力,避开耗能的数字模拟数据转换,提供了针对人工智能推理和组合优化两类关键任务的统一加速方案。模拟光学计算机的核心在于"快速定点搜索"算法,通过迭代方式寻找系统的稳定解,天然具备噪声鲁棒性,适合模拟硬件中存在的非理想干扰。这种通过固定点抽象统一推理和优化的架构,不仅弥补了混合架构需要频繁数字转换的高能耗弊端,还克服了应用和硬件之间的失配问题,比如基于记忆瓶颈的神经网络模型难以加速,或者传统二元优化映射实际问题表达不足等。
硬件方面,AOC采用微型发光二极管阵列作为光源,通过空间光调制器存储和调制权重矩阵,再经由光电探测器阵列将光信号转换为电信号传递至模拟电子电路,完成非线性激活、加减法运算及退火过程等步骤。每轮迭代约20纳秒,光电子信号交替流转,确保计算同时兼顾高速度和能源效率。当前AOC系统配置支持16维度状态向量,权重矩阵规模达256个参数,并通过时间复用技术扩展至4096权重,满足多种机器学习推理和优化应用的需求。在机器学习任务中,AOC特别适用于固定点迭代模型,如神经平衡模型(equilibrium models),它们以自循环结构和固定深度动态推理著称,具备良好的泛化能力和递归推理潜力。数值训练阶段利用数字孪生模型(AOC-DT),高保真模拟真实硬件的非理想性,完成端到端模型优化,训练结束后将权重量化为9位整数,部署至模拟硬件进行推理。该架构在人脸图像分类(如MNIST和Fashion-MNIST数据集)和非线性回归任务中表现稳定,准确率及均方误差与数字模拟一致,多次迭代后模型状态达到稳定固定点,展示强的噪声容忍度。
针对优化问题,AOC运用了"二次无约束混合优化"(QUMO)框架,自由混合二值与连续变量,覆盖更广泛且贴近实际的组合优化场景。QUMO相较传统的二值优化(QUBO)大幅减少约束映射的复杂度,使复杂线性不等式约束通过引入连续松弛变量被有效纳入目标函数。医疗图像重建作为一重点示范,利用AOC硬件实现基于压缩感知原理的MRI图像重建,将原始复杂的非凸ℓ0范数最小化问题转化为QUMO实例,硬件通过多阶段块坐标下降算法逐步收敛至高质量重建结果,在针对此前认为无法高效求解的稀疏重建任务中取得里程碑式进展。金融领域的交易结算优化同样充分验证了AOC的实用性。面向清算过程需要高效处理数十亿美金证券交易的组合优化问题,AOC通过映射为QUMO问题,成功求解多变量复杂场景,较现有数字优化器表现出更高的求解速度和稳定性。综合基准测试涵盖人工生成的复杂QUMO和QUBO问题以及著名的QPLIB复杂实例库,AOC数字孪生仿真解法相比行业领先商业求解器展现高达数千倍的加速优势,同时发现多个未曾报道的更优解,彰显其算法表现优异和硬件潜力。
未来,AOC架构具备良好的扩展性,预计能够通过模块化设计及3D光学技术的进一步发展,实现处理数亿至数十亿权重的规模,满足现代大规模神经网络和工业优化需求。得益于现有成熟的半导体光电子制造生态,包括微型发光二极管、空间光调制器及高速光电探测器,结合精准模拟电子设计,AOC被视为推动光电子计算硬件产业化的重要里程碑。此外,AOC凭借其能效表现远超传统GPU,预计在8比特精度下实现每瓦500万亿次操作,开启可持续、绿色计算新纪元。综合来看,模拟光学计算机通过软硬件协同设计突破当前数字计算的瓶颈,将AI推理与组合优化有效统一于一个高速、低能耗且适应实际复杂任务的计算平台。其在医疗、金融、机器学习领域的成功验证不仅展示了其强大的应用价值,更为未来集成模拟与光学计算硬件的发展指明了方向。随着硬件技术和算法的不断进步,模拟光学计算机有望成为下一个推动计算范式变革的核心力量,助力实现高效、可持续智能计算的美好愿景。
。
